详情

原文传递基于红外热成像的指数熵加性模糊缺陷特征分析重构方法

专利名称：	基于红外热成像的指数熵加性模糊缺陷特征分析重构方法
摘要：	本发明公开了一种基于红外热成像的指数熵加性模糊缺陷特征分析重构方法，通过重构模型和优化的模糊算法，对不同空间不程度缺陷进行提取和特征分析，使不同空间不同程度的缺陷特征能够精确的进行划分；同时，在优化的模糊算法中，构造新的目标函数，一部分包括赞成度与犹豫度的和，丰富了元素的特征信息，另一部分包含了指数模糊熵，对特征信息的不确定性进行了描述，增强了损伤区域增益函数的相关性，对特征进行了强调，对缺陷的区分提供了有效的帮助，这样的设计和构造具有良好的稳定性和高效性，对缺陷特征纹理的刻画和特征色差的表征有着突出的作用，能够合理的对不同空间不同程度的缺陷进行精确的评估和分析。
专利类型：	发明专利
国家地区组织代码：	四川;51
申请人：	电子科技大学
发明人：	殷春;张博;程玉华;薛婷;黄雪刚;陈凯;张昊楠
专利状态：	有效
申请日期：	2019-05-23T00:00:00+0800
发布日期：	2019-10-29T00:00:00+0800
申请号：	CN201910433939.X
公开号：	CN110389154A
代理机构：	成都行之专利代理事务所(普通合伙)
代理人：	温利平
分类号：	G01N25/72(2006.01);G;G01;G01N;G01N25
申请人地址：	611731 四川省成都市高新区(西区)西源大道2006号
主权项：	1.一种基于红外热成像的指数熵加性模糊缺陷特征分析重构方法，其特征在于，包括以下步骤： (1)、待检测视频流预处理 (1.1)、将待检测视频流用矩阵块表示为：其中，NI×NJ表示空间信息，NT表示时间信息； (1.2)、通过向量算子Vec()将矩阵块转换为二维矩阵Y； Y＝[Vec(Y(1)),Vec(Y(2)),…,Vec(Y(NT))] 其中，NIJ＝NI×NJ； (1.3)、根据先验的l种缺陷类型，将待检测视频流改写为：其中，Xθ(tθ)表示待检测视频流中的第tθ帧第θ种缺陷特征行向量，θ＝1,2,…,l，αθ(tθ)为Xθ(tθ)对应的特征系数矩阵列向量，NC表示待检测视频流中表示特征缺陷的总帧数； (2)、缺陷重构 (2.1)、采用奇异值分解算法将改写后的视频流Y分解为：YT＝U∑VT，其中，为左奇异矩阵，为奇异值矩阵，为右奇异矩阵； (2.2)、计算白化矩阵W和混合系数矩阵λ； (2.3)、将重重构缺陷用矩阵表示为X＝W×Y； (2.4)、通过牛顿迭代法消除重构缺陷特征之间的相关性： w＝E{xg(wTx)}-E{xg(wTx)}w 其中，x是X的行向量，w为W的行向量，g(·)是对比度函数G的导数，E{·}表示求期望； (2.5)、按照步骤(2.4)所述方法对X的所有行进行处理后，得到重构后的缺陷特征信息矩阵：X＝W×Y， (2.6)、对白化矩阵W进行时域分析，得到不同缺陷特征的实际分布情况，再比较W中行向量w的曲线趋势，将w曲线趋势相近的视为相同缺陷类型，否则视为不同缺陷类型；合并相同缺陷类型的缺陷帧数，构成新的缺陷帧数其中，m＝1,2,…χ，且χ≤l，从而从X中得到张第m类缺陷类型的重构图像，记为 (3)、重构图像的特征提取 (3.1)、利用巴特沃兹滤波器对重构图像进行纹理及色差分割；特征色差表示为：其中，ti表示中像素点(ti,tj)的行坐标，tj表示中像素点(ti,tj)的列坐标，D0为阈值；特征纹理表示为： (3.2)、对特征色差进行优化处理； (3.2.1)、设置迭代终止条件ε，迭代次数c，最大迭代次数cm，聚类的数目τ，操作系数δ，权重系数b,赞成度μj(hi)c，犹豫度ξj(hi)c，模糊系数λ，犹豫度均值聚类中心vjc，目标函数Jc； (3.2.2)、计算第c次迭代时每一类中单个像素点的赞成度μj(hi)c；其中，hi表示特征色差H中第i个像素点的像素值，j≠s；\|\|·\|\|表示求范数； (3.2.3)、计算第c次迭代时每一类的聚类中心vjc；其中，g表示特征色差H中像素点的个数； (3.2.4)、计算第c次迭代时每一类中单个像素点的犹豫度ξj(hi)c； (3.2.5)、计算第c次迭代时每一类中单个像素点的犹豫度均值 (3.2.6)、计算第c次迭代时的目标函数Jc值； (3.2.7)、第c次迭代结束后，判断是否满足关系式：\|\|Jc-Jc-1\|\|≤ε，如果满足，则进入步骤(3.2.8)，否则迭代停止，跳转进入步骤(3.3)； (3.2.8)、判断当前迭代次数c是否达到设置的最大迭代次数c，如果c＜cm，则将当前迭代次数c增加1，再返回步骤(3.2.2)；否则，迭代停止，跳转进入步骤(3.3)； (3.3)、根据赞成度最大化准准则：Mj＝argmax(μj(hi)c)，找出最大赞成度Mj，Mj表示第j类的像素点的集合；然后根据Mj对特征色差H进行分类，分类完成后将vjc的数值赋值给对应的Mj，得到优化后的特征色差H*； (3.4)、优化的重构特征为为 2.根据权利要求1所述的基于红外热成像的指数熵加性模糊缺陷特征分析重构方法，其特征在于，所述的奇异值分解算法对改写后的视频流Y进行分解的过程为： 1)、构造协方差矩阵A； 2)、计算奇异值；通过计算得到右奇异值奇异值和左奇异值其中，表示特征值； 3)、根据奇异值构造奇异值矩阵∑'； 4)、设置经验阈值aF、aB、aN，且均为正整数；在奇异值矩阵∑'中，将奇异值满足中的个表示表面缺陷特征，将奇异值满足时的个表示内部层裂缺陷特征，将奇异值满足时的个表示非缺陷区域特征；根据个表面缺陷特征、个内部层裂缺陷特征和个非缺陷区域特征更新奇异值矩阵∑'，得到更新后的奇异值矩阵∑，然后得到最终改写后的视频流Y被表示为YT＝U∑VT。
所属类别：	发明专利